тензорный поток:: опс:: ResourceSparseApplyFtrl

Обновите соответствующие записи в '*var' в соответствии с Ftrl-проксимальной схемой.

Краткое содержание

То есть для строк, для которых у нас есть grad, мы обновляем var, accum и Linear следующим образом: accum_new = accum + grad * grad linear += grad - (accum_new^(-lr_power) - accum^(-lr_power)) / lr * var квадратичный = 1,0 / (accum_new^(lr_power) * lr) + 2 * l2 var = (знак (линейный) * l1 - линейный) / квадратичный, если |linear| > l1 еще 0,0 аккум = аккум_новый

Аргументы:

• область: объект области.
• var: Должно быть из переменной().
• accum: Должно быть из переменной().
• линейный: должен быть из переменной().
• град: Градиент.
• индексы: вектор индексов в первом измерении var и accum.
• lr: коэффициент масштабирования. Должно быть скаляр.
• l1: регуляризация L1. Должно быть скаляр.
• l2: регуляризация L2. Должно быть скаляр.
• lr_power: Коэффициент масштабирования. Должно быть скаляр.

Необязательные атрибуты (см. Attrs ):

• use_locking: если True , обновление тензоров var и accum будет защищено блокировкой; в противном случае поведение не определено, но может вызывать меньше конфликтов.

Возврат:

• созданная Operation

Публичные атрибуты

Operation operation

 ResourceSparseApplyFtrl(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input linear,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input lr_power
)

 ResourceSparseApplyFtrl(
  const ::tensorflow::Scope & scope,
  ::tensorflow::Input var,
  ::tensorflow::Input accum,
  ::tensorflow::Input linear,
  ::tensorflow::Input grad,
  ::tensorflow::Input indices,
  ::tensorflow::Input lr,
  ::tensorflow::Input l1,
  ::tensorflow::Input l2,
  ::tensorflow::Input lr_power,
  const ResourceSparseApplyFtrl::Attrs & attrs
)

 operator::tensorflow::Operation() const 

Attrs UseLocking(
  bool x
)